一种数据融合模型迁移与参数自适应方法及系统与流程

本文件涉及数据融合与模型参数辨识，尤其涉及一种数据融合模型迁移与参数自适应方法及系统。

背景技术：

1、在工程建模与数据分析领域，常见的预测或计算模型可采用解析函数形式表示，该类模型通常由变量项、数值常数项以及常规符号运算构成。由于模型内的数值常数往往来自经验设定、历史拟合或特定场景下的标定结果，当模型应用场景发生变化（例如数据来源变化、测量口径变化、对象状态变化或工况范围扩展）时，原有常数取值可能不再适用，从而导致预测误差显著增大。

2、现有技术中，常见的适配方式包括：人工重写模型并重新拟合、在原模型外部叠加修正项、采用黑盒机器学习模型替代解析模型、或对少量参数进行人工调节。然而，上述方式普遍存在以下问题：

3、1）人工重写与调参高度依赖领域经验，效率低且难以标准化；

4、2）黑盒替代方法虽可拟合数据，但可能破坏原模型结构的可解释性与可追溯性，难以审计；

5、3）缺乏一种能够自动完成“常数识别—参数化替换—数据拟合—参数回填固化”的通用流程，使得解析模型在多源数据融合场景下的迁移与复用成本较高。

6、因此，亟需一种可自动实施、具有可解释性且易于固化部署的数据融合模型精调方法，以解决现有解析模型跨场景适配困难的问题。

技术实现思路

1、本说明书一个或多个实施例提供了一种数据融合模型迁移与参数自适应方法，包括：

2、s1.获取初始函数模型表达式，解析所述表达式的符号结构，遍历并识别表达式中的所有数值常数节点，生成常数列表；

3、s2.根据建立的常数与参数的映射规则，将所述数值常数节点替换为可调参数节点，生成参数化函数族表达式，并输出可执行的数值计算函数接口；

4、s3.获取训练数据集及初始参数向量，以所述训练数据集中的自变量作为输入，通过所述可执行数值计算函数接口计算预测值，基于预测值与训练数据集中因变量的差值构造损失函数，调用优化算法对可调参数进行迭代更新，直至满足收敛条件，输出最优参数；

5、s4.将所述最优参数中的参数值回填至所述参数化函数族表达式及/或所述数值计算函数接口中的可调参数节点，生成固化后的迁移模型，并输出基准模型与精调模型的性能评估报告及可选可视化结果。

6、进一步地，所述获取初始函数模型表达式，解析所述表达式的符号结构具体为：

7、对表达式进行语法解析得到抽象语法树或符号树；

8、对得到的抽象语法树或符号树进行标准化处理，所述标准化处理包括：去除空格、统一幂运算符号、将一元负号规范化、并将所有数值常数统一转换为双精度浮点数类型。

9、进一步地，所述遍历并识别表达式中的所有数值常数节点时，判断节点类型是否为整数常量或浮点常量，并排除变量名节点及符号常量节点，记录每个常量的数值、在表达式树中的位置路径以及出现次数。

10、进一步地，所述常数与参数的映射规则为：按出现次数逐一替换的策略，每出现一次常量节点即分配一个新的可调参数，不同位置的相同数值常量对应不同参数。

11、进一步地，所述常数与参数的映射规则为：按常量值去重共享参数的策略，对具有相同数值的常量节点分配同一个可调参数，不同数值的常量对应不同参数。

12、进一步地，获取初始参数向量时，将所述常数列表中各常数的原始数值作为对应可调参数的初始值，按参数顺序排列形成初始参数向量。

13、进一步地，基于预测值与训练数据集中因变量的差值构造损失函数具体为：

14、对训练数据集进行数据预处理，包括删除缺失值或异常值样本，将不同来源数据的自变量维度映射至统一结构，并对自变量和因变量执行归一化或标准化变换；

15、以残差平方和作为基础损失项，当训练数据集包含多个数据来源时，为每个样本分配权重，采用加权残差平方和作为损失函数。

16、进一步地，调用优化算法对可调参数进行迭代更新，直至满足收敛条件，输出最优参数具体包括：

17、选择优化器类型，按照优化器规则更新初始参数值，设置参数上下界，每次迭代更新后对超出边界的参数值执行裁剪或投影操作，并依据损失下降量或参数更新量判断是否收敛；

18、若损失下降小于阈值、参数更新量小于阈值、或达到迭代上限，则达到收敛条件，得到最优参数。

19、进一步地，将所述最优参数中的参数值回填至所述参数化函数族表达式及/或所述数值计算函数接口中的可调参数节点，生成固化后的迁移模型具体包括：

20、将最优参数回填至符号表达式后得到的无参符号表达式文本、将最优参数嵌入可执行数值函数接口后生成的无需传入参数的可执行函数；

21、将最优参数存储到模型配置文件，得到固化后的迁移模型。

22、本说明书一个或多个实施例提供了一种数据融合模型迁移与参数自适应方法，包括：

23、模型解析模块：用于获取初始函数模型表达式，解析所述表达式的符号结构，遍历并识别表达式中的所有数值常数节点，生成常数列表；

24、参数映射模块：用于根据建立的常数与参数的映射规则，将所述数值常数节点替换为可调参数节点，生成参数化函数族表达式，并输出可执行的数值计算函数接口；

25、模型更新模块：用于获取训练数据集及初始参数向量，以所述训练数据集中的自变量作为输入，通过所述可执行数值计算函数接口计算预测值，基于预测值与训练数据集中因变量的差值构造损失函数，调用优化算法对可调参数进行迭代更新，直至满足收敛条件，输出最优参数；

26、模型迁移模块：用于将所述最优参数中的参数值回填至所述参数化函数族表达式及/或所述数值计算函数接口中的可调参数节点，生成固化后的迁移模型，并输出基准模型与精调模型的性能评估报告及可选可视化结果。

27、采用本发明实施例，本发明能够在不改变原模型结构的情况下，自动识别表达式常数并转化为可调参数族，实现解析模型跨场景的快速迁移与适配；精调仅作用于原模型常数项，对应关系清晰，可追溯每个参数的来源与在表达式中的作用位置，便于审计与复现；利用训练/验证数据集进行数据驱动优化求解，并将最优参数回填生成可持久化迁移模型，同时输出性能报告与可选可视化结果。由此显著降低人工重写与调参成本，提高模型复用效率与工程落地可行性，具有重要的应用价值。

28、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

1.一种数据融合模型迁移与参数自适应方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述获取初始函数模型表达式，解析所述表达式的符号结构具体为：

3.根据权利要求1所述的方法，其特征在于，所述遍历并识别表达式中的所有数值常数节点时，判断节点类型是否为整数常量或浮点常量，并排除变量名节点及符号常量节点，记录每个常量的数值、在表达式树中的位置路径以及出现次数。

4.根据权利要求1所述的方法，其特征在于，所述常数与参数的映射规则为：按出现次数逐一替换的策略，每出现一次常量节点即分配一个新的可调参数，不同位置的相同数值常量对应不同参数。

5.根据权利要求1所述的方法，其特征在于，所述常数与参数的映射规则为：按常量值去重共享参数的策略，对具有相同数值的常量节点分配同一个可调参数，不同数值的常量对应不同参数。

6.根据权利要求1所述的方法，其特征在于，获取初始参数向量时，将所述常数列表中各常数的原始数值作为对应可调参数的初始值，按参数顺序排列形成初始参数向量。

7.根据权利要求1所述的方法，其特征在于，基于预测值与训练数据集中因变量的差值构造损失函数具体为：

8.根据权利要求1所述的方法，其特征在于，调用优化算法对可调参数进行迭代更新，直至满足收敛条件，输出最优参数具体包括：

9.根据权利要求1所述的方法，其特征在于，将所述最优参数中的参数值回填至所述参数化函数族表达式及/或所述数值计算函数接口中的可调参数节点，生成固化后的迁移模型具体包括：

10.一种数据融合模型迁移与参数自适应系统，其特征在于，包括：